（1）研究方案。
由于打架、袭警等异常行为的复杂性，目前的有效检测算法大多采用模式识别的方法。人体行为识别的本质是三维时空数据的分类和匹配问题，也就是将待识别的人体行为序列（测试序列）与预先标记好的代表典型行为的参考序列进行匹配。因此，人体行为识别首先要从视频序列中提取可以描述行为的特征信息，然后用训练视频序列中提取的特征数据进行学习，建立人体行为模型，然后将测试视频序列中提取的特征数据输入人体行为模型进行分类，采取的识别过程如图5-22所示。
（2）研究方法与研究过程。
按照研究方案，打架、袭警行为检测算法的具体研究过程如下。
①轨迹特征提取。首先利用ORB （Oriented FAST and Rotated BRIEF）算法提取运动目标的兴趣特征点，并采用FLANN 算法对每相邻帧进行特征点的匹配，获得了大量的表示目标运动趋势的兴趣点轨迹，作为区分暴力行为与非暴力行为的模式特征。
②轨迹特征优化。我们采用了短轨迹优化和多段最小二乘法等措施，针对暴力行为轨迹进行了优化，以加快训练速度，使得算法的识别率进一步提升。
(www.xing528.com)
图5-22 打架行为分析流程图
③打架行为模式识别。在得到兴趣点运动轨迹后，我们利用BRIEF 描述子和马尔科夫链模型，分别从外形层次和几何层次两方面提取出这些轨迹的特征向量，并采用词袋模型进行了数学建模，再把提取到的特征投入支持向量机SVM 中进行训练和分类。我们采用了多频SVM 技术，使得多种输入向量能够对分类结果有着不同的影响，从而提高了机器学习的训练效果。
（3）研究结果。
我们利用OpenCV（函数库版本2.4.6）、Python（版本2.7）和Eclipse（版本Indigo）编程实现了打架行为检测算法，并在暴力行为视频数据库Hockey Fights 上进行了大量的实验仿真，分别对仅采用ORB 描述子向量作为词袋模型（方法1）、仅采用马尔科夫链的特征向量作为词袋模型（方法2）、结合方法1 和方法2 的特征向量作为词袋模型三种方案进行了测试，测试结果如表5-4所示。实验结果表明该算法对于暴力行为的优化分类达到较好的效果。
表5-4 打架检测算法在Hockey Fights 数据集上的测试
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
